山东某煤矿地表变形数据分析及预测模型研究.pdf

分分类号类号 P258P258密密级级 公公开开 U D CU D C 单位代码单位代码1042410424 学学 位位 论论 文文 山东某煤矿地表变形数据山东某煤矿地表变形数据分析分析及及 预测模型研究预测模型研究 马成龙马成龙 申申请请学学位位级级别别工工程程硕硕士士学学位位领领域域名名称称测测绘绘工工程程 指指导导教教师师姓姓名名栾栾元元重重职职称称 教教授授 山山 东东 科科 技技 大大 学学 二二〇〇一八年一八年六六月月 万方数据 论文题目论文题目 山东某煤矿地表变形数据山东某煤矿地表变形数据分析分析及及 预测模型研究预测模型研究 作者姓名作者姓名 马马 成成 龙龙入学时间入学时间2015 年年 9 月月 专业名称专业名称 测绘工程测绘工程研究方向研究方向变变形形监监测测理理 论论与与技技术术 指导教师指导教师 栾栾 元元 重重职职称称 教教授授 王王 永永 宝宝研究员研究员 论文提交日期论文提交日期2018 年年 4 月月 论文答辩日期论文答辩日期2018 年年 6 月月 授予学位日期授予学位日期2018 年年 6 月月 万方数据 STUDY ON SURFACE DEATION DATA ANALYSIS AND PREDICTION MODEL OF A COAL MINE IN SHANDONG PROVINCE A Dissertation ted in fulfillment of the requirements of the degree of MASTER OF ENGINEERING from Shandong University of Science and Technology by Ma Chenglong SupervisorProfessor Luan Yuanzhong CollegeofGeomatics June 2018 万方数据 万方数据 万方数据 万方数据 山东科技大学硕士学位论文摘要 I 摘摘 要要 煤炭资源作为能源矿产之一，对于我国的经济建设发挥着巨大的作用。由于 地下煤炭的开采，不可避免的会造成采空区地面不同程度的变形，因此对地表变 形情况定期观测以及变形预测十分重要。 以山东某煤矿为研究背景，介绍了矿区的基本概况、岩移观测站的布设与观 测。通过定期重复观测，获得岩移观测站的沉降时间序列，利用 SODP 软件对地 表岩移参数反演分析。 对于监测数据中的噪声，采用小波阈值去噪的方法进行处理，利用控制变量 法选择最优去噪组合方式，通过对比均方根误差和信噪比确定 db3 小波基函数、 软阈值、rigrsure 阈值原则、scalsln 、1 层分解对沉降时间序列数据去噪效果最 好。 对小波去噪数据建立时间序列预测模型，利用 AIC 准则定阶，当6, 1mn 时，AIC 取得最小值 196.062，确定时间序列模型为 ARMA1，6，将预测结果 与实测值对比，结果表明时间序列模型预测精度较高。 建立经典BP神经网络模型， 分析了隐层节点数的选取方法。 并采用基于L-M 的变梯度反向传播算法对经典 BP 网络进行优化，结果表明基于 L-M 的 BP 网络 不仅能加快收敛速度，而且预测精度也高于经典 BP 网络。针对 BP 网络隐层节 点数选取困难、建模参数多的缺点，GRNN 只需确定一个平滑参数，在此同时采 用了 GRNN 进行预测， 确定平滑参数为 0.1， 通过预测结果与实测值的对比分析， 结果表明 GRNN 用于沉降预测快速可靠。 利用 MATLAB 中的曲线拟合工具箱对去噪数据进行拟合，对比拟合值的均 方根误差和平均绝对误差，选定指数函数为最优拟合曲线。利用指数函数曲线对 沉降值进行预测，结果表明曲线拟合可以准确预测地表沉降变化趋势。 关键词关键词变形预测，小波去噪，时间序列，BP 神经网络，曲线拟合 万方数据 山东科技大学硕士学位论文ABSTRACT II ABSTRACT As one of the energy minerals, coal resources play a significant role in the modern industry, whether heavy industry, light industry, energy industry,transportindustry,etc.Duetotheconstantdrillingof underground coal, it is inevitable that the ground level of the ground floor is going to sink, so it is very important to observe and predict the landscape of the ground and the deation of the ground. Based on the research background of a coal mine in shandong province, the basic situation of the mining area and the layout and observation of the observation station are introduced.The sedimentary time series of the observation station is obtained by periodic repeated observation.Analysis of surface rock shift parameters by using SODP software. The noise-containing data is processed by means of the wavelet threshold denoising, and the optimal denoising combination is selected by means of the control variable ,It is found that db3 wavelet base function, soft threshold, rigrsure threshold principle, scal sln, 1 layer decompose are best use by comparing RMS and SNR. To establish a time series prediction model for denoising data, and to use AIC criterion to set the order, at that time, AIC obtained the minimum value 196.062, namely, the time series model was ARMA1,6, and the prediction results were compared with the measured values, confirming the prediction accuracy of time series model is higher. It establish a traditional BP neural network and analyzes that selection of the number of hidden layer nodes.Using the variable gradient back propagation algorithm based on L-M optimize the traditional BP network,Results show that the BP network based on L-M can not only speed up the convergence speed, and the prediction precision is higher than that of traditional BP network.For BP network is difficult to select a right number of hidden layer nodes and the parameters of the model more faults, GRNN just a smooth parameters, thus at the same time using GRNN to forecast,Determine the smoothing parameter is 0.1, comparing the predicted results with the measured values, The results show that GRNN is fast and reliable for settlement prediction. 万方数据 山东科技大学硕士学位论文ABSTRACT III Using the curve fitting toolbox in MATLAB to fit the denoising data,To compare the value of the root mean square error and mean absolute error, the selected exponential function for the optimal fitting curve.Using the exponential function to predict the settlement value, The results show that curve fitting can accurately predict the trend of surface subsidence. Keywords deation forecast, wavelet denoising, time series, BP neural network, curve fitting 万方数据 山东科技大学硕士学位论文目录 IV 目目录录 摘摘 要要............................................................................................................I I 目目 录录..........................................................................................................IVIV 1 1 绪论绪论..........................................................................................................1 1.1 选题背景和意义....................................................................................................1 1.2 国内外研究现状....................................................................................................2 1.3 本文的主要内容与技术路线................................................................................4 2 2 矿区概况与矿区概况与地表移动地表移动数据分析数据分析.............................................................7 7 2.1 矿区概况................................................................................................................7 2.2 地表移动观测与数据分析....................................................................................7 2.3 SODP 软件地表移动参数反演.............................................................................11 2.4 本章小结..............................................................................................................14 3 3 基于小波分析的去噪处理基于小波分析的去噪处理...................................................................1515 3.1 小波去噪基本理论..............................................................................................15 3.2 小波去噪质量评价..............................................................................................17 3.3 实测数据的阈值去噪..........................................................................................17 3.4 本章小结..............................................................................................................28 4 4 时间序列分析时间序列分析.......................................................................................2929 4.1 时间序列分析理论..............................................................................................29 4.2 时间序列分析预测..............................................................................................34 4.3 本章小结..............................................................................................................39 5 5 神经网络神经网络............................................................................................... 4040 5.1 BP 神经网络理论.................................................................................................40 5.2 经典 BP 神经网络预测........................................................................................44 5.3 基于 L-M 的 BP 神经网络预测............................................................................49 万方数据 山东科技大学硕士学位论文目录 V 5.4 广义回归神经网络预测......................................................................................52 5.5 本章小结..............................................................................................................56 6 6 曲线拟合曲线拟合............................................................................................... 5858 6.1 曲线拟合的基本原理..........................................................................................58 6.2 曲线拟合预测......................................................................................................58 6.3 综合对比分析......................................................................................................62 6.4 本章小结..............................................................................................................63 7 7 结论与展望结论与展望...........................................................................................6464 7.1 结论......................................................................................................................64 7.2 展望......................................................................................................................65 参考文献参考文献....................................................................................................6666 致致 谢谢..........................................................................................................6969 硕士期间的主要成果硕士期间的主要成果...............................................................................7070 万方数据 山东科技大学硕士学位论文Contents VI Contents 1 Introduction...............................................................................................................1 1.1 Background and significance....................................................................................................1 1.2 Overseas and domestic research status.....................................................................................2 1.3 The main content and technical route of this article.................................................................4 2 Mining Situation and Surface movement data analysis........................................ 7 2.1 Mining situation........................................................................................................................7 2.2 Surface movement observation and data analysis....................................................................7 2.3 Invert that surface moving parameter of SODP software.......................................................11 2.4 Summary................................................................................................................................. 14 3 Measured Data Denoising Based on Wavelet Analysis........................................15 3.1 Fundamental theory of wavelet denoising..............................................................................15 3.2 Quality uation of wavelet denoising.................................................................................17 3.3 Threshold denoising of measured data................................................................................... 17 3.4 Summary........................................................................................... ....................................28 4 Time Series Analysis............................................................................................... 29 4.1 Time series analysis theory.....................................................................................................29 4.2 Time series analysis forecast...................................................................................................34 4.3 Summary................................................................................................. ..............................39 5 Neural Network.......................................................................................................40 5.1 BP neural network theory........................................................................................................40 5.2 Prediction of traditional BP neural network...........................................................................44 5.3 Prediction of BP neural network based on L-M.....................................................................49 5.4 Generalized regression neural network prediction.................................................................52 5.5 Summary.......................................................................................................... .....................56 6 Curve Fitting............................................................................................................58 万方数据 山东科技大学硕士学位论文Contents VII 6.1 The theory of curve fitting model...........................................................................................58 6.2 Curve fitting prediction...........................................................................................................58 6.3 Comprehensive comparison and analysis...............................................................................62 6.4 Summary................................................................................................... ............................63 7 Summary And Prospect..........................................................................................64 7.1 Summary................................................................................................................................. 64 7.2 Prospect...................................................................................................................................65 Reference.....................................................................................................................66 Thanks.........................................................................................................................69 Major Achievements During Masters Degree........................................................70 万方数据 山东科技大学硕士学位论文绪论 1 1 1 绪论绪论 1.11.1 选题背景和意义选题背景和意义 目前，我国经济快速发展，城市化建设不断推进，地下煤炭资源的开采也越 来越严重。煤炭资源的地下开采不可避免的会造成地面农田、道路、建筑物及基 础设施等受到不同程度的破坏， 并且对矿区城市的社会稳定与可持续发展带来一 系列隐患。如果地面沉降严重，可能会导致重大事故的发生，例如，1985 年发 生在波西米亚的开采造成的地表塌陷事故， 导致 30 多所居民住所遭到破坏； 1994 年大同黄土坡煤矿因管理松懈，开采方法不当，引发采空区塌陷，最终出现房屋 倒塌致使二十人死亡和 40 余人不同程度的受伤；2006 年山西省大辉窑沟煤矿因 大规模开采而引发周围采空区毫无预兆的突然发生较大规模的地表坍塌， 不仅引 发煤矿水安全事故而且导致火灾事故的发生，造成 18 人在事故中遇难；2013 湖 北荆州曾庙村持续 40 多年挖掘地下石膏矿资源，对采空区没有采取回填或其他 防止措施导致地面出现塌陷深坑。 煤炭资源开采引起的地表移动受多种因素的影响， 是一个复杂的时空力学过 程，截至目前，最有效的方法是实地布设观测点定期观测，通过分析观测成果来 研究地表移动变化规律，为安全开采和塌陷区环境治理提供科学合理的依据。 本文以山东某煤矿为研究背景，通过定期重复观测，获得岩移观测站的沉降 时间序列， 采用 SODP 软件对岩移参数反分析， 对岩移观测数据采用小波去噪的 方法将隐藏在信号中的噪声去除，将小波去噪前后的数据分别采用时间序列分 析、BP 神经网络、基于 L-M 的 BP 改进算法、GRNN、曲线拟合建模分析，综 合分析对比预测精度，推算未来沉降变化，进而对未来的变形趋势做出科学合理 的预测。 万方数据 山东科技大学硕士学位论文绪论 2 1.21.2 国内外研究现状国内外研究现状 目前，大部分国家对煤炭开采造成的地表变形问题颇为重视，投入了大量的 资金和技术人员，对采空区地表变形的机理进行越来越深入的探究，研究成果显 著。自上世纪五十年代起，我国逐步加深对采矿导致的地表变形问题的研究。截 至目前，有很多方法可对地表变形问题分析预测，例如有限单元法、回归分析、 时间序列分析、灰色系统、卡尔曼滤波、小波分析以及神经网络等。 1.2.11.2.1 小波分析的发展小波分析的发展 小波分析兴起于 20 世纪 80 年代中后期, 是傅里叶分析发展史上的一个“里 程碑” [1]。随着小波分析的应用愈加广泛，S.Mallt 提出通过小波分解和重构的方 式实现数据降噪[2]；Goodman 等人对多小波进行了完整阐述，自此多小波开始被 应用起来；Krim 等人从 Rissanen 的 Minimum Description Lentgth 推测出小波的 阈值公式[3]。 近年来，小波分析的应用愈加广泛。王建敏（2011）利用模糊控制滤波器对 原始信号预处理，降低了白噪声的方差，同时对传统硬阈值法和软阈值法进行了 优化 [4]；王建波（2012）通过选择合适的小波基函数对桥梁的变形数据进行粗差 探测和小波阈值去噪处理，证明了小波分析处理非平稳信号效果显著[5]；王刘准 （2013）将小波去噪应用于高铁变形监测数据，然后采用时序模型预测，证明了 小波去噪的数据预测精度更高[6]；严容（2014）比较了小波去噪时不同参数的选 取对去噪效果的影响，并结合 BP 神经网络证明了小波去噪能提高模型的预测精 度[7]；冷信风（2014）利用小波时间序列预测模型和 MATLAB 中的拟合工具箱 进行数据拟合,对黄冈市某大桥软土路基沉降进行预测，通过对预测结果的分析 证明了通过小波去噪可以提高模型的粗差探测能力[8]；刘闯（2015）利用武汉市 某高铁的沉降数据采用非线性拟合模型和时序模型对去噪前后的数据进行建模 预测,对高铁沉降预测具有一定的实用价值[9]；栾元重（2016）以青岛地铁地表沉 降数据为基础，采用小波去噪数据构造了灰色时序组合模型进行预测，并对小 波去噪前后预测精度进行了比较[10]。 万方数据 山东科技大学硕士学位论文绪论 3 1.2.21.2.2 时间序列的发展时间序列的发展 时间序列分析作为一种动态数据处理方法， 通过分析不同时空上原始观测数 据的相关性进而对系统未来做出预测[11,12]。近年来，时间序列分析在变形预测方 面的应用愈加广泛。 兰孝奇（2006）以建筑物沉降监测为例证明了时间序列分析预报快速且短期 预报精度较高[